lerobot-omx/omx-act-models

OMX pick and place ACT 모델

act_v1_50ep_50000steps

• 데이터셋: omx_pick_place_orange_doll (50 에피소드, 25,445 프레임)
• 시연 방식: 모든 동작을 연속·동시 수행. 이동과 손목 회전을 겹침
• 학습: 처음부터 50,000스텝, 배치 8, 15.7 에포크, 6시간 32분
• 최종 loss 0.082 (l1 0.080, kld 0.000)
• 롤아웃: 30회 중 16회 성공. 실패는 허공 집기, 빈 그립퍼 place
• 공개 사본: yanwoo/omx_pick_place_act_train

act_v3_finetune_20000steps

• 데이터셋: omx_pick_place_orange_doll_v3 (20 에피소드, 23,327 프레임)
• 시연 방식: 동작을 단계로 분해. 동시 수행 없음
• 학습: 위 v1 모델에서 파인튜닝, 20,000스텝, 6.86 에포크, 2시간 34분
• 최종 loss 0.078 (l1 0.076, kld 0.000)
• 롤아웃: 전이 지점에서 교착. 성공률 미측정
• 공개 사본: yanwoo/omx_pick_place_act_v3

act_v3_light_2000steps / act_v3_light_4000steps

• 데이터셋: omx_pick_place_orange_doll_v3 (20 에피소드, 23,327 프레임)
• 학습: act_v1_50ep_50000steps 에서 파인튜닝. 2,000스텝과 4,000스텝 체크포인트
• 목적: 모델 1과 20,000스텝 모델 사이의 적응 정도를 비교하기 위한 중간 지점
• 2,000스텝: 0.69 에포크, loss 0.155 (l1 0.153)
• 4,000스텝: 1.37 에포크, loss 0.127 (l1 0.126), 28분 24초
• 4,000스텝에서도 loss가 하강 중이므로 수렴 상태가 아님
• 공개 사본: yanwoo/omx_pick_place_act_v3_light (4,000스텝만)

v3 적응 정도별 비교

모델	v3 적응 스텝	v3 에포크	v3 loss
act_v1_50ep_50000steps	0	0	0.32 이상
act_v3_light_2000steps	2,000	0.69	0.155
act_v3_light_4000steps	4,000	1.37	0.127
act_v3_finetune_20000steps	20,000	6.86	0.078

디렉터리 구성

• pretrained_model/ 추론용 가중치와 config
• training_state/ 옵티마이저·난수 상태·스텝 카운터. 같은 런을 이어갈 때만 쓰임

추론용으로 쓸 때

hf download lerobot-omx/omx-act-models \
  --include "act_v1_50ep_50000steps/pretrained_model/*" \
  --local-dir ./dl

구버전 LeRobot에서는 config.json의 optimizer_fused 필드를 지워야 합니다. --policy.path 에는 틸드가 확장되지 않으니 $HOME 또는 절대경로를 쓰세요.

추가 학습으로 이어갈 때

resume 은 체크포인트가 원래 디렉터리 구조에 있어야 동작합니다.

mkdir -p ~/outputs/train/omx_act/checkpoints
# 내려받은 050000 디렉터리를 위 경로로 옮긴 뒤
cd ~/outputs/train/omx_act/checkpoints && ln -s 050000 last

lerobot-train \
  --config_path=$HOME/outputs/train/omx_act/checkpoints/last/pretrained_model/train_config.json \
  --resume=true

주의 1. 두 모델 모두 지정한 스텝을 이미 다 돌았습니다. 그대로 resume 하면 종료 조건이 충족되어 바로 끝납니다. train_config.json 의 steps 를 먼저 올리세요.

주의 2. 데이터셋을 바꿔 이어 학습하는 것은 resume 이 아니라 파인튜닝입니다. 그때는 --policy.path 로 pretrained_model 경로를 주고 새 런으로 시작하며, training_state/ 는 쓰이지 않습니다.